Pendapatan Kuartal "Raksasa ASIC" Marvell Capai Rekor, Panduan Terus Dinaikkan, CEO Sebut Bisnis Pusat Data "Meledak"

marsbitDipublikasikan tanggal 2026-05-28Terakhir diperbarui pada 2026-05-28

Abstrak

Pendapatan kuartal pertama tahun fiskal 2027 Marvell mencapai rekor $2,418 miliar, tumbuh 28% (YoY). Meski laba bersih GAAP turun karena biaya akuisisi, kinerja inti kuat. Bisnis data center adalah penggerak utama, menyumbang 76% pendapatan ($1,83 miliar) dengan pertumbuhan 27%. CEO Matt Murphy menyebutnya "luar biasa kuat" dan memproyeksikan akselerasi pertumbuhan menjadi sekitar 55% pada FY2028. Marvell kembali menaikkan panduan: pendapatan FY2027 ditargetkan sekitar $11,5 miliar (naik dari panduan sebelumnya ~$11 miliar) dan FY2028 sekitar $16,5 miliar (naik $1,5 miliar dari panduan sebelumnya). Peningkatan didorong oleh pesanan AI yang "sangat kuat". Dua pilar pertumbuhan kunci: 1. **Bisnis Interkoneksi/AI Data Center:** Proyeksi pertumbuhan tahunan dinaikkan menjadi >70%. Beberapa lini produk seperti modul DCI dan *scale-up optics* diperkirakan mencapai skala miliaran dolar pada FY2028. 2. **Chip Kustom (XPU):** Diproyeksikan melipatgandakan pendapatan pada FY2028 dan menargetkan lebih dari $10 miliar pada FY2029. Kemitraan dengan NVIDIA diperluas ke tiga area: teknologi fotonik silikon, integrasi NVLink Fusion, dan solusi AI-RAN untuk jaringan 5G/6G. Untuk menjamin pasokan, Marvell merencanakan pembayaran di muka ke pemasok sekitar $1 miliar pada FY2027. Arus kas operasi kuartal ini mencapai rekor $639 juta.

Pendapatan mencapai rekor, panduan dinaikkan secara signifikan, Marvell menyajikan laporan kinerja yang tampak cukup mengesankan.

Pada 27 Mei setelah jam pasar AS, raksasa chip AI khusus, komunikasi optik, dan interkoneksi pusat data Marvell merilis laporan keuangan kuartal pertama tahun fiskal 2027 dan mengadakan konferensi telepon hasil. Bisnis pusat data terus meledak, perusahaan kembali menaikkan panduan tahunan secara signifikan, CEO Matt Murphy dalam konferensi telepon langsung menyatakan, "Bisnis pusat data kami meledak", "pesanan luar biasa kuat".

Pendapatan Marvell pada Q1 tahun fiskal tersebut adalah 2,418 miliar dolar AS, meningkat 28% tahun ke tahun, meningkat 9% dari kuartal sebelumnya, sedikit melampaui ekspektasi analis sebesar 2,41 miliar dolar AS. EPS non-GAAP adalah 0,80 dolar AS, sesuai dengan ekspektasi analis. Namun, laba bersih GAAP adalah 34,5 juta dolar AS, turun tajam dari 177,9 juta dolar AS tahun sebelumnya, terutama karena biaya satu kali dan amortisasi non-tunai akibat akuisisi Celestial AI dan XConn.

Bisnis pusat data menyumbang pendapatan 1,83 miliar dolar AS, 76% dari total pendapatan, meningkat 27% tahun ke tahun, naik 11% dari kuartal sebelumnya.

Setelah laporan keuangan dan konferensi telepon, harga saham perusahaan turun sedikit sekitar 1%. Sejauh ini tahun ini, saham ini telah naik lebih dari dua kali lipat sebelum laporan keuangan, di bawah ekspektasi tinggi, "sesuai ekspektasi" itu sendiri mungkin sudah tidak cukup membuat pasar terkesan.

01

"Pesanan Terkait AI Terlalu Kuat", Marvell Kembali Naikkan Panduan Kinerja

Ini adalah Marvell yang menaikkan panduan selama beberapa kuartal berturut-turut.

Mengenai panduan Q2 tahun fiskal 2027, perusahaan memperkirakan pendapatan sekitar 2,7 miliar dolar AS (fluktuasi 5%), meningkat sekitar 35% tahun ke tahun, lebih tinggi dari ekspektasi analis sebelumnya sebesar 2,6 miliar dolar AS. Panduan EPS non-GAAP adalah antara 0,88 hingga 0,98 dolar AS, sementara ekspektasi analis sebelumnya adalah 0,90 dolar AS.

Mengenai panduan tahunan, Marvell menaikkan ekspektasi pendapatan tahun fiskal 2027 menjadi sekitar 11,5 miliar dolar AS, meningkat sekitar 40% tahun ke tahun. Tiga bulan lalu, perusahaan memberikan panduan "mendekati 11 miliar dolar AS".

Yang lebih menarik perhatian adalah prospek tahun fiskal 2028. Marvell menaikkan target pendapatan tahun fiskal 2028 menjadi sekitar 16,5 miliar dolar AS, sekitar 1,5 miliar dolar AS lebih tinggi dari panduan kuartal sebelumnya, sesuai dengan peningkatan sekitar 45% tahun ke tahun.

CEO Matt Murphy dalam pernyataan laporan keuangan menyatakan: "Kami melihat pesanan terkait AI yang luar biasa kuat, sehingga kami secara signifikan menaikkan ekspektasi pendapatan Marvell untuk tahun fiskal 2027 dan 2028, meningkat secara signifikan dibandingkan dengan panduan yang diberikan kuartal lalu."

02

Pusat Data: 76% dari Total Pendapatan, Laju Pertumbuhan Masih Meningkat

Pendapatan pusat data Q1 adalah 1,83 miliar dolar AS, meningkat 27% tahun ke tahun, naik 11% dari kuartal sebelumnya, 76% dari total pendapatan.

Prediksi Marvell untuk laju pertumbuhan bisnis ini adalah:

FY2026: +46% (telah tercapai)

FY2027: sekitar +50%

FY2028: sekitar +55%

Murphy menyatakan:

Bisnis pusat data sedang membara (meledak), kami memperkirakan pertumbuhan pendapatan tahun ini dan tahun depan akan mempercepat, dan itu dimulai dari basis yang sudah tinggi.

03

Bisnis Interkoneksi: Laju Pertumbuhan dari 30%→50%→70%, CEO Bilang "Masih Ada Ruang untuk Naik"

Bisnis interkoneksi (Interconnect) pusat data AI adalah bagian dengan volume terbesar dalam bisnis pusat data Marvell, mencakup lini produk seperti interkoneksi optik, modul DCI, optik koheren.

Ekspektasi laju pertumbuhan tahunan bisnis ini telah dinaikkan secara berturut-turut dalam beberapa kuartal terakhir: sekitar 30% sekitar September tahun lalu, kemudian dinaikkan menjadi 50%, dan kini dinaikkan lagi menjadi lebih dari 70%.

Murphy ketika didesak oleh analis langsung berkata:

Saya pikir ada banyak kemungkinan bias ke atas di sini. Bisnis DSP tradisional kami akan melonjak besar tahun depan, lini produk 1.6T adalah konten nilai lebih tinggi, DCI sedang mempercepat, dan ada bisnis baru seperti retimer, AEC, serta optik scale-up...... Ini adalah awal dari siklus pertumbuhan besar kami.

Mengapa bisnis interkoneksi tiba-tiba menjadi sangat penting? Murphy memberikan logika yang jelas:

AI generatif awal terutama menyelesaikan hambatan komputasi dan memori, jaringan interkoneksi adalah masalah sekunder. Namun, dengan penerapan arsitektur yang lebih kompleks seperti model inferensi, model pakar campuran (MoE), dll., volume transmisi data di dalam kluster AI meningkat drastis, sehingga pentingnya jaringan interkoneksi meningkat pesat.

Beberapa angka kunci:

Chip TIA dan driver: Diperkirakan pendapatan kuartalan akan melampaui skala tahunan 1 miliar dolar AS dalam beberapa kuartal ke depan.

Bisnis modul DCI: Telah memasok ke lima penyedia layanan cloud hyperscale terbesar di AS, diperkirakan pendapatan tahunan FY2028 melampaui 1 miliar dolar AS, sekitar dua kali lipat dari FY2026 (sekitar 500 juta dolar AS).

Scale-up optics (interkoneksi optik NPO/CPO): Ekspektasi sebelumnya sekitar 150 juta dolar AS, sekarang dinaikkan, diperkirakan FY2028 melebihi 300 juta dolar AS.

04

Chip Khusus (XPU): Tahun Depan Dua Kali Lipat, Target 2029 Melebihi 100 Miliar Dolar AS

Bisnis chip khusus (Custom/XPU) Marvell adalah jalur pertumbuhan penting lainnya, dan juga arah yang paling diperhatikan pasar.

Perkembangan saat ini:

Pendapatan chip khusus FY2027: Meningkat lebih dari 20% tahun ke tahun.

Pendapatan chip khusus FY2028: Diperkirakan dua kali lipat tahun ke tahun, lebih tinggi dari ekspektasi kuartal lalu.

Target FY2029: Melebihi 10 miliar dolar AS (target sebelumnya sekitar 8 miliar dolar AS).

Analis Vivek Arya (Bank of America Securities) dalam konferensi telepon mendesak: Apakah ini berarti pendapatan chip khusus FY2028 lebih dari 4 miliar dolar AS, kemudian melonjak menjadi 10 miliar dolar AS pada FY2029, yaitu peningkatan satu tahun lebih dari 5 hingga 6 miliar dolar AS?

Jawaban Murphy adalah: Ya, Anda mendengarnya dengan benar.

Tiga pendorong pertumbuhan chip khusus FY2028:

Proyek unggulan XPU yang ada terus tumbuh.

Lebih dari 10 proyek afiliasi XPU (NIC, CXL, dll.) memasuki tahap produksi massal yang lebih tinggi, permintaan terus melebihi ekspektasi.

Sebuah proyek XPU kepala baru memasuki produksi massal—Murphy menyebut "proyek semuanya berjalan lancar, rencana produksi tahunan telah ditetapkan."

Murphy juga mengungkapkan, meskipun pesanan desain yang baru dimenangkan biasanya memerlukan siklus pengembangan sekitar dua tahun untuk berkontribusi pada pendapatan, arti dari proyek-proyek ini adalah untuk memberikan jaminan bagi pertumbuhan yang lebih jangka panjang, yang dia sebut sebagai "polis asuransi".

05

Memperluas Kolaborasi dengan NVIDIA, Tiga Arah Diimplementasikan

Pada kuartal ini, Marvell mengumumkan perluasan kemitraan strategis dengan NVIDIA, Murphy dalam konferensi telepon menjelaskan tiga arah inti:

Satu, Kolaborasi Interkoneksi Optik: Marvell telah lama menyediakan DSP, TIA, dan driver untuk NVIDIA, kedua pihak sekarang lebih lanjut bekerja sama mengembangkan teknologi silicon photonics, yang dianggap sebagai teknologi penggerak kunci untuk jaringan skala-up.

Dua, Integrasi NVLink Fusion: Memungkinkan Marvell membangun chip khusus dan semikonduktor jaringan yang dapat terhubung mulus dengan infrastruktur NVIDIA. Murphy menyatakan, ini memberikan fleksibilitas lebih besar kepada penyedia layanan cloud hyperscale, mereka dapat dengan bebas mencampur antara chip khusus dan chip NVIDIA, "Marvell secara unik menyediakan jembatan antara kedua arsitektur ini", dan akan menciptakan peluang pasar baru bagi kedua belah pihak.

Tiga, AI-RAN: Marvell akan meningkatkan prosesor stasiun pangkalan Octeon-nya, sehingga dapat bekerja langsung bersama dengan GPU NVIDIA, menjalankan beban kerja nirkabel 5G/6G dan aplikasi AI secara bersamaan pada platform perangkat keras yang sama.

06

Rantai Pasok: Kunci Kapasitas Lebih Awal, Uang Muka Tahun Ini Sekitar 1 Miliar Dolar AS

Menghadapi permintaan yang terus meningkat, manajemen rantai pasok menjadi variabel kunci.

CFO Willem Meintjes dalam konferensi telepon mengungkapkan, perusahaan berencana melakukan uang muka pemasok sekitar 1 miliar dolar AS pada tahun fiskal 2027, pembayaran pertama dimulai dari Q2, uang muka ini akan mengurangi pembelian bahan di masa depan.

COO Chris Koopmans dalam menjawab pertanyaan analis menjelaskan strategi rantai pasok Marvell:

Segala sesuatu yang terkait dengan AI sejak awal selalu dibatasi pasokan. Cara kami adalah membangun hubungan yang sangat erat dengan beberapa pemasok inti, memberi mereka prediksi permintaan lima tahun, selalu menepati janji, mendukung prediksi kami dengan tindakan nyata dan uang muka.

Di tingkat keuangan, arus kas operasional Q1 mencapai rekor 639 juta dolar AS. Perusahaan membeli kembali saham senilai 200 juta dolar AS pada kuartal itu, dan membayar dividen 54 juta dolar AS. Hingga akhir Q1, total utang 4,96 miliar dolar AS, rasio utang bersih/EBITDA adalah 0,32 kali.

Artikel ini berasal dari akun WeChat publik "Wall Street Insights Max", penulis: Long Yue

Bacaan Terkait

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

Dalam satu minggu terakhir Mei, dua raksasa teknologi China, Alibaba dan ByteDance, memamerkan dua pendekatan berbeda dalam strategi AI mereka. Alibaba, sebagai perusahaan publik, fokus pada integrasi AI untuk monetisasi langsung. Mereka menghubungkan model Qwen dengan platform e-commerce seperti Taobao, menciptakan fitur seperti "pencocokan harga AI" dan "pakaian virtual AI". Melalui protokol ACT, mereka membangun infrastruktur untuk transaksi berbasis agen AI. Pendapatan eksternal Alibaba Cloud tumbuh 40%, menunjukkan model bisnis "MaaS" (Model-as-a-Service) mereka yang berhasil. Namun, pendekatan ini mungkin mengorbankan penelitian mendasar untuk keunggulan jangka pendek. Sebaliknya, ByteDance, yang masih swasta, berinvestasi besar dalam penelitian AI jangka panjang. Departemen Seed mereka, dengan anggaran belanja modal (capex) yang meningkat pesat, bertujuan "menjelajahi batas atas kecerdasan". Mereka merilis model pembuatan video Seedance 2.0 yang memimpin peringkat global dan mempublikasikan penelitian mendalam tentang "model dunia". Perusahaan ini memberikan kebebasan bagi tim risetnya tanpa tekanan kuartalan dari pasar modal. Perbedaan kunci ini lebih disebabkan oleh status kepemilikan daripada filosofi semata. Sebagai perusahaan publik, Alibaba terikat pada harapan ROI jangka pendek investor. ByteDance, yang belum IPO, memiliki kemewahan untuk berfokus pada terobosan teknologi jangka panjang. Analisis menyimpulkan bahwa jalan strategis AI sebuah perusahaan di China sangat ditentukan oleh apakah perusahaan tersebut terdaftar di bursa atau tidak, yang membentuk pilihan antara "menjual AI" dan "membuat AI".

marsbit7m yang lalu

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

marsbit7m yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

**Mengapa Lebih Banyak AI Agent Tidak Sama dengan Produktivitas Lebih Tinggi?** Meskipun teknologi memungkinkan kita meluncurkan banyak AI Agent dengan mudah dan murah, produktivitas nyata tidak serta-merta meningkat. Ini karena munculnya konsep "Pajak Orkestrasi"—biaya tersembunyi untuk mengelola, menilai, dan menggabungkan hasil kerja semua Agent tersebut. Pekerjaan ini harus kembali ke satu sumber daya serial yang tidak dapat diduplikasi: perhatian dan penilaian manusia. **Manusia adalah 'GIL' dalam Sistem.** Seperti Global Interpreter Lock (GIL) dalam Python, semua Agent dapat berjalan paralel, tetapi untuk keputusan penting (seperti tinjauan arsitektur, kode, atau penyelesaian konflik), mereka harus "mengambil kunci" dari Anda—sang pengembang. Hukum Amdahl berlaku: percepatan maksimum dari paralelisasi dibatasi oleh bagian kerja yang harus tetap serial, yaitu kapasitas penilaian manusia. Menambah Agent hanya membuat antrian tinjauan lebih panjang, memperbesar beban konteks, dan menyebabkan kelelahan kognitif. **Kelelahan dan Utang Tersembunyi.** Banyaknya Agent yang aktif memberi ilusi produktivitas tinggi, tetapi rasa sibuk itu tidak sama dengan hasil berkualitas. Jika Anda "menyerah secara kognitif" dan tidak meninjau hasil dengan benar, Anda menumpuk utang teknis dan utang kognitif—masalah yang akan muncul nanti. Pajak orkestrasi harus dibayar, baik secara sadar melalui proses yang terencana, atau diam-diam melalui penurunan kualitas. **Solusi: Kelola Perhatian Seperti Sistem Produksi.** Kuncinya adalah merancang alur kerja dengan menghormati batas perhatian manusia sebagai sumber daya langka: 1. **Kontrol Jumlah Agent:** Sesuaikan jumlah Agent dengan kemampuan *review* Anda, bukan dengan apa yang UI izinkan. Batasi ke angka rendah. 2. **Klasifikasi Tugas:** Pisahkan tugas independen (cocok untuk Agent paralel) dari tugas kompleks yang membutuhkan penilaian mendalam (kerjakan secara serial). 3. **Tinjau Secara Berkelompok (*Batch Review*):** Kurangi biaya alih konteks dengan meninjau hasil beberapa Agent sekaligus. 4. **Gunakan Waktu Serial untuk Penilaian:** Fokuskan perhatian hanya pada bagian yang memerlukan penilaian manusia. Biarkan Agent menangani bagian yang dapat diverifikasi otomatis (seperti tes). 5. **Lindungi Waktu Fokus Anda:** Kadang, tindakan paling produktif adalah berhenti mengoordinasi banyak Agent dan fokus pada satu masalah inti. Kemampuan sebenarnya di era AI bukanlah menjalankan banyak Agent, tetapi merancang sistem yang secara sadar mengelilingi dan melindungi kapasitas penilaian serial manusia—sumber daya paling berharga dalam proses pengembangan.

marsbit1j yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

marsbit1j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit8j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit8j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手10j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手10j yang lalu

Trading

Spot
Futures
活动图片